Открывая статьи по машинному обучению, вы часто будете сталкиваться со сложными математическими формулами, включающими матрицы, ряды и вообще всё, что угодно. Каждый раз это наталкивало меня на одну простую мысль: надо углубляться в математику, знать её и, главное, понимать. Начал я с линейной алгебры

Линейная алгебра лежит в основе многих алгоритмов машинного обучения. Данные - это векторы и матрицы. Сами алгоритмы включают в себя последовательность линейных преобразований. Линейная регрессия, алгоритм k ближайших соседей, алгоритм k-средних, метод главных компонент и многое другое станет гораздо понятнее после изучения линейной алгебры. В этом посте я расскажу про материалы, которые помогли мне глубже понять этот раздел математики.

📚Книга «Прикладная линейная алгебра для исследователей данных» автора Майкла Икс Коэна. Данная книга рассказывает об основных концепциях линейной алгебры, подкрепляя всё это хорошими примерами и практическими заданиями на Python. Благодаря этой книге я лучше освоил библиотеку numpy, понял прикладное применение линейной алгебры в ML-алгоритмах и сделал собственную реализацию алгоритмов линейной регрессии и k-средних. Ссылку на книгу я оставить не могу, но она есть в открытом доступе🙃

📺Курс по линейной алгебре от 3blue1brown. В линейной алгебре важно не просто уметь вычислять, важно понимать концепции с геометрической точки зрения - и этот курс просто золото в части геометрической интерпретации линейной алгебры. Что такое матрица и при чем здесь линейное преобразование пространства? Что такое линейная оболочка и как тут связаны линейные комбинации векторов? С этим курсом вы сможете ответить на эти вопросы и визуально понимать концепции линейной алгебры.

📝Статьи по линейной алгебре на матпрофи. Сколько раз этот сайт выручал меня во время учебы в ВУЗе! Для меня важно было не просто писать программы и смотреть курс, но и писать что-то своими руками в тетради - так я быстрее запоминаю. В статьях на матпрофи линейная алгебра объясняется простым языком, а обилие практических заданий помогает закрепить материал.

🐳Любая нейросеть (у меня это DeepSeek) - для шлифовки гранита науки. С нейросетями учеба становится быстрее за счет простого описания сложных вещей. Мне было сложно сразу разобраться в ортогональных матрицах и QR-разложении, однако с DeepSeek’ом я смог понять эту тему, а потом перейти к более сложным материалам. Тут важно не опираться только на нейросети, а именно использовать их при необходимости, когда совсем завис и нужен другой более понятный материал.

Всего этого мне было достаточно, чтобы понять основные концепции линейной алгебры и освоить этот раздел математики для задач в DS.